遗传算法机械工程论文

摘要从遗传算法优化神经网络和零件图像的相对边缘像素系数作为零件特征的方法出发，提出了零件图像识别的方法。首先，对零件图像分别进行小波多尺度边缘检测，获取零件图像的相对边缘像素系数作为特征样本。然后，应用遗传算法优化神网络的连接权值，用特征样本进行网络训练，获取遗传神经网络并对零件图像进行识别。实验结果表明，文中提出的方法是有效的。今天小编给大家找来了《遗传算法机械工程论文 (精选3篇)》的相关内容，希望能给你带来帮助!

遗传算法机械工程论文 篇1：

遗传算法原理在机械工程中的应用

摘要：在计算机时代，解决科学与工程问题的手段主要是程序与优化算法，求全局最大主峰重要的是找到主峰以及爬峰的速度，即寻优，最常采取的办法有穷举法，但这种方法会造成信息浪费。保证算法简便且通用性更强，遗传算法在众多算法中脱颖而出。文章对遗传学算法的原理、计算基础和操作做了介绍，并对遗传算法原理在机械工程中的应用予以简单分析研究。

关键词：遗传算法原理;机械工程;数学基础;算子;程序与优化算法

在计算机时代，解决科学与工程问题的手段主要是程序与优化算法，求全局最大主峰重要的是找到主峰以及爬峰的速度，即寻优，最常采取的办法有穷举法，但这种方法在寻优过程中只承认当前的最优值而摒弃其余信息，造成了信息的极大浪费，于是人们开始探索一种更为合适的办法，以求寻找最优值过程的高效性，同时保证算法简便而且通用性更强，遗传算法在众多算法中脱颖而出。

1 GA(遗传算法)原理

遗传算法就是一种以事物的自然属性和遗传属性为基础，通过计算机对生物进化规律进行模拟以寻优的一种算法，将寻优的范围与遗传空间相对应，把每一种可能的值通过二进制码进行编码，如同染色体一样，形成的字符串相当于基因，然后按预期的结果对每一组编码进行评价，选出最合适的一个值。算法一开始是提出一些问题的解，然后根据要求对这些解进行选择，重新拆解组合，去掉不合适的，留下最优值，由此形成的便是新值，如此往复，继承与改良，这便是GA算法。由以上我们可以看出GA算法并不是简单的重复，而是属于一种螺旋式的上升过程，是不断向更好的方向“进化”的，在淘汰与择优中趋于稳定。

2 GA算法的数学基础和算子

2.1 GA算法的数学基础

图式定理是GA算法的数学基础，图式定理是Holland提出的，它在一定程度上解释了GA算法强大的数据信息处理能力，由定理我们能看出，经过不断地复制和交叉变异，在第一代中包含的编码数量H可以用如下公式表示：

m(H，t+1)≥m(H，t)(N(H)/FAV)[1-PC·(〥(H)/(L-1))-O(H)·Pm] (1)

如以遗传学讲，其中m(H，t)和m(H，t+1)分别代表第t代和第t+1代种群数量，N代表图式H中染色体适应能力的平均水平，FAV代表种群中包含的染色体的适应力的平均水平，交叉比率用PC表示，变异比率用Pm表示，图式的长度用〥表示，OH是H的确定参数，即阶，染色体长度用L表示。

2.2 GA算法的算子

GA遗传算法的基本算子有三个，分别是选择、交叉和变异。

选择算子相当于生物界优胜劣汰，决定物种最终存活的自然选择，在生物群中选择一些适应力强的生物，将它们的染色体放入基因库，是染色体重新交叉组合完成变异的前提，选择算子的特点是只能在原有的基础上选择出优良的基因，而无法重新创造。

交叉算子相当于自然界生物为完成繁衍生息和进化而进行的交配繁殖现象，染色体经由交叉，重新组合后形成新的染色体，即从双亲染色体里随机地分别选择一条再重新组合，是染色体的重新创造。

变异算子是在选择和交叉算子完成重组的基础上使遗传算法能力的增强，以寻找GA值的最优解，如果在整个GA算法中少了变异操作，就只能在原有基础上来回寻找而没有新的突破。

3 如何实现遗传算法

遗传算法归根结底是寻找一个最优的解或者工程中所讲的最好的解决方案，从函数来讲是求如下函数的最优解：

F=f(x，y，z)，x，y，z∈Ω，F∈R (2)

其中x，y，z是自变量，每一组(x，y，z)就是一组解，优化目标的目的是寻找一组解使得：

F=f(x0，y0，z0)=max f(x，y，z) (3)

首先，将公式(2)的各个参数通过二进制数编码形成字符串，再进行链接形成所谓的“基因链”，据已有的研究结果，可以知道字符串长度不同、码制不同都将对最终计算的结果的精度产生影响。

其次，采用随机抽选的方式选择个体的初始值，之所以随机抽选是因为这样产生的结果更具有一般性，能代表寻常情况。

最后，确定群体的规模，即确定基因选择的目标源，在这个目标源中寻找最佳值，规模的确定决定了GA算法结果的权威性和有效性，太小则不能提供足够的采样点，结果的多样性将会打折扣，太大则会增加计算量，拖长搜索时间，通畅将规模控制在40～200左右为宜，在对每个个体的优劣实施评价之后，设置一个适应度函数，然后分别确定交叉率和变异率，判断搜索何时停止，在本次讨论中，判断标准可以定为搜索所得的解是否达到了预期的最大值。

4 GA在机械工程中的应用

GA算法的优点显而易见，它在机械工程中的应用是极为广泛的。

在零件的切削中可以对零部件和切削工具予以优化，使得切削参数的设置达到总在工作以最低的成本，实现最高的效率，最终得到最高的收益的目的，在自动化控制的智能制造系统中可以为系统的静态动态的配合寻找到最佳契合点，以下对GA算法在机械公式和功能中的应用以具体实例加以阐述。

4.1 优化人工神经网

ANN，即人工神经网，是一种用于建模和控制的，针对模型结构不稳定的线性系统而设计的结构，单次结构目前并不成熟，并没有确切的数据指导后来者准确的使用，处于摸索阶段。对于ANN，目前采用的训练方法是反向传播算法，大速度比较慢且结果具有一定的局限性，GA算法可谓使这一问题得见柳暗花明。

在AN的行学习参数的优化工作中，仍用反向传播，但对一下因素进行编码操作，包括隐含层数、隐含层数的单元数、势态、网络连接方法、迭代数等，编码完成后，构成ANN基因链，把基因链的适应度函数定义为10-MSE-隐含单元数/10-训练跌代数/1000，MSE是训练好的网络对样本的方差。

4.2 优化FLC矩阵的参数

模糊逻辑控制器，简称FLC，涉及到的概念有控制对象偏差和动作强度，表达了二者的模糊关系，现有一延时二阶系统的函数为GS=exp(-0.4s)/(0.3s+1)，要求此系统的输出值尽量的跟踪输入值，采用FLC矩阵进行参数优化，取矩阵R=77×11，对此矩阵的77个元素以8bit的二进制码表示，基因链长616bit，经由GA算法优化的FLC控制下，输出值的效果明显地优于“比例-积分-微分”控制器的效果。

4.3 实现机床挂最佳组合

击床挂轮组合的完美与否直接决定了生产线的效率，而这又是一个极为古老的问题，最佳组合最终实现的是挂轮组的传动比与要求的值误差达到最小，本文中，笔者通过GA算法，以求能找到一个有效的方案，适合度函数定义为：

F=20-ABS(id)-(A/B)*(C/D)

(A，B，C，D)∈Ω

其中，A，B，C，D分别代表挂轮齿数，共计4个挂轮，ABS()表示绝对值函数，Ω是挂轮约束条件，需要A+B>C=d+m，C+D>B+d+m，d，m分别代表齿轮模、安装轴径。

笔者在文中采用cenitor算法，对每个齿轮用一个5位二进制码进行编码，代表挂轮表的32个挂轮，共4个挂轮故基因码长20位，个体数为100，经过验证后发现，如果id为整数，GA算法只需完成1000次杂交运算就可以选出多个误差为0的组合，它并非盲目地完成计算，搜索数远小于问题解的数值。

5 结语

随着GA算法的不断发展，由于其与其他技术易于融合，当然对于它的争议仍然是存在的，但就近年的研究，大量实例都证明了它是一种简单且实用性很强的算法，在工程领域中的应用也将更加广泛。

参考文献

[1] 黄洪钟，赵正佳，姚新胜，冯春.遗传算法原理、实现及其在机械工程中的应用研究与展望[J].机械设计，2012，(6).

[2] 赵建勋，张振明，田锡天，贾晓亮，朱名铨.本体及其在机械工程中的应用综述[J].计算机集成制造系统，2013，(4).

[3] 曹俊，朱如鹏.遗传算法的发展及其在机械工程领域中的应用[J].机械技术史，2013，(9).

作者简介：郑旭浩(1973-)，女，吉林通化人，吉林交通职业技术学院工程机械分院研究生讲师，研究方向：机械设计与理论。

作者：郑旭浩

遗传算法机械工程论文 篇2：

基于像素系数和遗传算法的图像识别的研究

摘要 从遗传算法优化神经网络和零件图像的相对边缘像素系数作为零件特征的方法出发，提出了零件图像识别的方法。首先，对零件图像分别进行小波多尺度边缘检测，获取零件图像的相对边缘像素系数作为特征样本。然后，应用遗传算法优化神网络的连接权值，用特征样本进行网络训练，获取遗传神经网络并对零件图像进行识别。实验结果表明，文中提出的方法是有效的。

关键词 小波变换 神经网络 遗传算法 图像识别

Research of Part Image Recognition Based on Genetic Algorithm and Neural Network

1 引言

零件图像特征可以是图像中的零件轮廓曲线、纹理特征等，也可以是直方图特征或者是频谱等[1，2]。对于用边缘来呈现原始特征的零件图像，则可以利用图像的相对边缘像素系数作为零件图像的特征[3]。传算法有较强的宏观搜索能力，具有简单通用、鲁棒性强和全局性并行处理的特点，适用于图像处理和模式识别。本文将遗传算法和神经网络结合，用于零件图像的识别，以提高零件图像的识别率。

2 零件图像的特征提取

2.1 图像的小波边缘检测

2.3 边缘图像的特征提取

对于用边缘来呈现原始特征的图像，可以将边缘的端点、分叉点等作为主要特征参数，本文是将图像边缘像素作为图像特征。零件图像经过小波边缘检测后，分为m×n个图像矩阵，将图像的边缘像素和其余像素分别用1和0表示。统计各子矩阵中表示1的像素量与各子矩阵的像素和的比值作为相对像素系数，这样得到相对像素系数矩阵[cij]m×n，即特征参数。将相对像素系数矩阵的各列，按自左到右，上下首尾相接的次序，组成行向量Ck，k=1，2，…，m×n，向量Ck为特征样本。图2是4×4的图像矩阵，特征样本Ck有16个特征参数。

3 遗传算法

遗传算法与神经网络结合有几种方法[5，6]，本文采用遗传算法优化BP神经网络各层之间的连接权值。

3.1 染色体编码

3.2 选择、交叉、变异

根据每个个体适应度值进行选择、交叉和变异操作，构成下一代群体。再计算个体的适应度值，重复选择、交叉和变异操作过程，直到训练目标达到要求为止。

4 实验

4.1 网络模型

本文对3类零件进行图像采集，每类零件在不同的光照度环境下分别采集3幅零件图像，则每个图像传感器分别采集了3类零件共27幅图像。27幅图像经过小波边缘检测，分别处理成27组4×4相对像素系数矩阵，用于网络训练。网络输入层神经元数为16，输出层神经元数为3，是零件类别数，隐层神经元数经过调试选择18。

4.2 遗传算法控制参数

个体数目选取24，选择概率选取为0.06，交叉概率选取为0.5，变异概率选取为0.1，遗传终止代数选取150。

4.3 仿真

本文用遗传优化神经网络和一个BP神经网络对零件图像分别进行识别，结果如表1所示，遗传优化神经网络的识别率高于BP神经网络的识别率。遗传优化神经网络的训练次数为76，BP神经网络训练为185次，在收敛方面，遗传优化神经网络要优于BP神经网络，如图3所示。

5 结论

本文利用遗传算法优化BP神经网络，提出基于遗传神经网络的图像识别方法。实验表明了将遗传算法用于神经网络的权值训练，增强了神经网络的全局搜索能力，提高了神经网络的收敛速度和稳定性。因此，优化的神经网络具有较高的零件图像识别能力，有一定的实用性。

参考文献

[1]边肇祺，张学工等.模式识别[M].北京：清华大学出版社，2000

[2]程正兴.小波分析算法与应用[M].西安：西安交通大学出版社，1998

[3]夏庆观，盛党红，路红等.零件图像特征提取和识别的研究[J].中国机械工程，2005，16(23)

[4]Mallat S and Zhong S.Characterization of Signals from Multiscale Edges.IEEE Transactions on Pattern Analysis and Machine Intelligence，1992，14(7)：710-732

[5]王小平，曹立明.遗传算法理论应用与软件实现[M].西安：西安交通大学出版社，2002

[6]雷英杰，张善文，李续武等.MATLAB遗传算法工具箱及应用[M].西安：西安電子科技大学出版社，2005

作者简介：刘厦，出生年月：(1986-)，性别：男，民族：汉，籍贯：江苏南京，职务/职称：技术总监，学历：本科，单位：南京南戈特智能技术有限公司，研究方向：自动化、信息化、智能制造。

作者：刘厦

遗传算法机械工程论文 篇3：

用遗传模糊系统实行结构健康监测

由于结构健康监测与结构的安全和现有结构的延寿有紧密的联系，所以，近年来，结构健康监测已经成为一个重要的研究领域。结构健康监测是一个跨学科领域，它结合力学基础与信息科学。本书阐述使用遗传进化系统来实施智能化的结构健康监测，利用遗传算法自动开发了模糊系统，并使这个系统用于结构健康监测中的一些问题，例如损伤位置和损伤尺寸等的大量测量。书中还介绍模糊控制，遗传算法和遗传模糊系统的理念。

全书共5章和1个附录：1. 序言，介绍结构健康监测相关的术语、定义、途径和方法;2. 遗传模糊系统，论述遗传模糊系统中的模糊逻辑、遗传算法和其他一些术语;3. 梁的结构健康监测， 讨论遗传模糊系统在梁的损伤检测中的应用，梁是一个最简单和最重要的结构;4. 复合材料管的结构健康监测，阐述遗传模糊系统用于薄壁复合材料管的检测，这种复合材料管已广泛应用于电气传动的两极;5. 复合直升机旋翼的结构健康监测，介绍用遗传模糊系统的在线结构监测系统用于预测复合材料转子叶片的整体和局部的物理损伤和剩余寿命。附录：MATLAB代码。

本书可供航空、土木、机械工程、计算机科学和应用数学领域的研究人员、工程师、教师和研究生阅读和参考。

吴永礼，研究员

(中国科学院力学研究所)